
import os
import numpy as np
import pandas as pd
from math import floor, ceil
from bisect import bisect_left, bisect_right
import plotly.express as px
import plotly.graph_objects as go


# Get data path
data_path = f"{os.path.dirname(os.getcwd())}/data"
print(data_path)

/Users/shawnguyen/Desktop/national-exam-scores-visuals/ds/data


# Read grades
grades = {}
for year in range(2018, 2022):
  grades[year] = pd.read_csv(f'{data_path}/diemthi{year}.csv')
  grades[year] = grades[year][["ID", "CityCode", "CityArea", "Math", "Literature", "English", "Physics", "Chemistry", "Biology", "Geography", "History", "Civic Education"]]
display(grades[2021])


# Declare subjects combination
sbs = {}
sbs['A00'] = ["Math", "Physics", "Chemistry"]
sbs['A01'] = ["Math", "Physics", "English"]
sbs['A02'] = ["Math", "Physics", "Biology"]
sbs['A03'] = ["Math", "Physics", "History"]
sbs['A04'] = ["Math", "Physics", "Geography"]
sbs['A05'] = ["Math", "Chemistry", "History"]
sbs['A06'] = ["Math", "Chemistry", "Geography"]
sbs['A07'] = ["Math", "History", "Geography"]
sbs['A08'] = ["Math", "History", "Civic Education"]
sbs['A09'] = ["Math", "Geography", "Civic Education"]
sbs['A10'] = ["Math", "Physics", "Civic Education"]
sbs['A11'] = ["Math", "Chemistry", "Civic Education"]
sbs['B00'] = ["Math", "Chemistry", "Biology"]
sbs['B01'] = ["Math", "Biology", "History"]
sbs['B02'] = ["Math", "Biology", "Geography"]
sbs['B03'] = ["Math", "Biology", "Literature"]
sbs['B04'] = ["Math", "Biology", "Civic Education"]
sbs['B08'] = ["Math", "Biology", "English"]
sbs['C00'] = ["Literature", "History", "Geography"]
sbs['C01'] = ["Literature", "Math", "Physics"]
sbs['C02'] = ["Literature", "Math", "Chemistry"]
sbs['C03'] = ["Literature", "Math", "History"]
sbs['C04'] = ["Literature", "Math", "Geography"]
sbs['C05'] = ["Literature", "Physics", "Chemistry"]
sbs['C06'] = ["Literature", "Physics", "Biology"]
sbs['C07'] = ["Literature", "Physics", "History"]
sbs['C08'] = ["Literature", "Chemistry", "Biology"]
sbs['C09'] = ["Literature", "Physics", "Geography"]
sbs['C10'] = ["Literature", "Chemistry", "History"]
sbs['C12'] = ["Literature", "Biology", "History"]
sbs['C13'] = ["Literature", "Biology", "Geography"]
sbs['C14'] = ["Literature", "Math", "Civic Education"]
sbs['C16'] = ["Literature", "Physics", "Civic Education"]
sbs['C17'] = ["Literature", "Chemistry", "Civic Education"]
sbs['C19'] = ["Literature", "History", "Civic Education"]
sbs['C20'] = ["Literature", "Geography", "Civic Education"]
sbs['D01'] = ["Literature", "Math", "English"]
sbs['D07'] = ["Math", "Chemistry", "English"]
sbs['D08'] = ["Math", "Biology", "English"]
sbs['D09'] = ["Math", "History", "English"]
sbs['D10'] = ["Math", "Geography", "English"]
sbs['D11'] = ["Literature", "Physics", "English"]
sbs['D12'] = ["Literature", "Chemistry", "English"]
sbs['D13'] = ["Literature", "Biology", "English"]
sbs['D14'] = ["Literature", "History", "English"]
sbs['D15'] = ["Literature", "Geography", "English"]
sbs['D66'] = ["Literature", "Civic Education", "English"]
sbs['D84'] = ["Math", "Civic Education", "English"]
sbs['A00-Math'] = ["Math", "Physics", "Chemistry", "Math"]
sbs['A01-Math'] = ["Math", "Physics", "English", "Math"]
sbs['A02-Math'] = ["Math", "Physics", "Biology", "Math"]
sbs['A03-Math'] = ["Math", "Physics", "History", "Math"]
sbs['A04-Math'] = ["Math", "Physics", "Geography", "Math"]
sbs['A05-Math'] = ["Math", "Chemistry", "History", "Math"]
sbs['A06-Math'] = ["Math", "Chemistry", "Geography", "Math"]
sbs['A07-Math'] = ["Math", "History", "Geography", "Math"]
sbs['A08-Math'] = ["Math", "History", "Civic Education", "Math"]
sbs['A09-Math'] = ["Math", "Geography", "Civic Education", "Math"]
sbs['A10-Math'] = ["Math", "Physics", "Civic Education", "Math"]
sbs['A11-Math'] = ["Math", "Chemistry", "Civic Education", "Math"]
sbs['B00-Math'] = ["Math", "Chemistry", "Biology", "Math"]
sbs['B01-Math'] = ["Math", "Biology", "History", "Math"]
sbs['B02-Math'] = ["Math", "Biology", "Geography", "Math"]
sbs['B03-Math'] = ["Math", "Biology", "Literature", "Math"]
sbs['B04-Math'] = ["Math", "Biology", "Civic Education", "Math"]
sbs['B08-Math'] = ["Math", "Biology", "English", "Math"]
sbs['C00-Math'] = ["Literature", "History", "Geography", "Math"]
sbs['C01-Math'] = ["Literature", "Math", "Physics", "Math"]
sbs['C02-Math'] = ["Literature", "Math", "Chemistry", "Math"]
sbs['C03-Math'] = ["Literature", "Math", "History", "Math"]
sbs['C04-Math'] = ["Literature", "Math", "Geography", "Math"]
sbs['C05-Math'] = ["Literature", "Physics", "Chemistry", "Math"]
sbs['C06-Math'] = ["Literature", "Physics", "Biology", "Math"]
sbs['C07-Math'] = ["Literature", "Physics", "History", "Math"]
sbs['C08-Math'] = ["Literature", "Chemistry", "Biology", "Math"]
sbs['C09-Math'] = ["Literature", "Physics", "Geography", "Math"]
sbs['C10-Math'] = ["Literature", "Chemistry", "History", "Math"]
sbs['C12-Math'] = ["Literature", "Biology", "History", "Math"]
sbs['C13-Math'] = ["Literature", "Biology", "Geography", "Math"]
sbs['C14-Math'] = ["Literature", "Math", "Civic Education", "Math"]
sbs['C16-Math'] = ["Literature", "Physics", "Civic Education", "Math"]
sbs['C17-Math'] = ["Literature", "Chemistry", "Civic Education", "Math"]
sbs['C19-Math'] = ["Literature", "History", "Civic Education", "Math"]
sbs['C20-Math'] = ["Literature", "Geography", "Civic Education", "Math"]
sbs['D01-Math'] = ["Literature", "Math", "English", "Math"]
sbs['D07-Math'] = ["Math", "Chemistry", "English", "Math"]
sbs['D08-Math'] = ["Math", "Biology", "English", "Math"]
sbs['D09-Math'] = ["Math", "History", "English", "Math"]
sbs['D10-Math'] = ["Math", "Geography", "English", "Math"]
sbs['D11-Math'] = ["Literature", "Physics", "English", "Math"]
sbs['D12-Math'] = ["Literature", "Chemistry", "English", "Math"]
sbs['D13-Math'] = ["Literature", "Biology", "English", "Math"]
sbs['D14-Math'] = ["Literature", "History", "English", "Math"]
sbs['D15-Math'] = ["Literature", "Geography", "English", "Math"]
sbs['D66-Math'] = ["Literature", "Civic Education", "English", "Math"]
sbs['D84-Math'] = ["Math", "Civic Education", "English", "Math"]
sbs['A00-English'] = ["Math", "Physics", "Chemistry", "English"]
sbs['A01-English'] = ["Math", "Physics", "English", "English"]
sbs['A02-English'] = ["Math", "Physics", "Biology", "English"]
sbs['A03-English'] = ["Math", "Physics", "History", "English"]
sbs['A04-English'] = ["Math", "Physics", "Geography", "English"]
sbs['A05-English'] = ["Math", "Chemistry", "History", "English"]
sbs['A06-English'] = ["Math", "Chemistry", "Geography", "English"]
sbs['A07-English'] = ["Math", "History", "Geography", "English"]
sbs['A08-English'] = ["Math", "History", "Civic Education", "English"]
sbs['A09-English'] = ["Math", "Geography", "Civic Education", "English"]
sbs['A10-English'] = ["Math", "Physics", "Civic Education", "English"]
sbs['A11-English'] = ["Math", "Chemistry", "Civic Education", "English"]
sbs['B00-English'] = ["Math", "Chemistry", "Biology", "English"]
sbs['B01-English'] = ["Math", "Biology", "History", "English"]
sbs['B02-English'] = ["Math", "Biology", "Geography", "English"]
sbs['B03-English'] = ["Math", "Biology", "Literature", "English"]
sbs['B04-English'] = ["Math", "Biology", "Civic Education", "English"]
sbs['B08-English'] = ["Math", "Biology", "English", "English"]
sbs['C00-English'] = ["Literature", "History", "Geography", "English"]
sbs['C01-English'] = ["Literature", "Math", "Physics", "English"]
sbs['C02-English'] = ["Literature", "Math", "Chemistry", "English"]
sbs['C03-English'] = ["Literature", "Math", "History", "English"]
sbs['C04-English'] = ["Literature", "Math", "Geography", "English"]
sbs['C05-English'] = ["Literature", "Physics", "Chemistry", "English"]
sbs['C06-English'] = ["Literature", "Physics", "Biology", "English"]
sbs['C07-English'] = ["Literature", "Physics", "History", "English"]
sbs['C08-English'] = ["Literature", "Chemistry", "Biology", "English"]
sbs['C09-English'] = ["Literature", "Physics", "Geography", "English"]
sbs['C10-English'] = ["Literature", "Chemistry", "History", "English"]
sbs['C12-English'] = ["Literature", "Biology", "History", "English"]
sbs['C13-English'] = ["Literature", "Biology", "Geography", "English"]
sbs['C14-English'] = ["Literature", "Math", "Civic Education", "English"]
sbs['C16-English'] = ["Literature", "Physics", "Civic Education", "English"]
sbs['C17-English'] = ["Literature", "Chemistry", "Civic Education", "English"]
sbs['C19-English'] = ["Literature", "History", "Civic Education", "English"]
sbs['C20-English'] = ["Literature", "Geography", "Civic Education", "English"]
sbs['D01-English'] = ["Literature", "Math", "English", "English"]
sbs['D07-English'] = ["Math", "Chemistry", "English", "English"]
sbs['D08-English'] = ["Math", "Biology", "English", "English"]
sbs['D09-English'] = ["Math", "History", "English", "English"]
sbs['D10-English'] = ["Math", "Geography", "English", "English"]
sbs['D11-English'] = ["Literature", "Physics", "English", "English"]
sbs['D12-English'] = ["Literature", "Chemistry", "English", "English"]
sbs['D13-English'] = ["Literature", "Biology", "English", "English"]
sbs['D14-English'] = ["Literature", "History", "English", "English"]
sbs['D15-English'] = ["Literature", "Geography", "English", "English"]
sbs['D66-English'] = ["Literature", "Civic Education", "English", "English"]
sbs['D84-English'] = ["Math", "Civic Education", "English", "English"]
len(sbs)

144


# Compute grades for each subjects combination
for year in grades:
  for sb in sbs:
    grades[year][sb] = 0
    for x in sbs[sb]:
      grades[year][sb] = grades[year][sb] + grades[year][x]
    grades[year][sb] *= 3/len(sbs[sb]) # Normalizing
display(grades[2021])

/var/folders/ln/rz3xh60x0zbb7cfm8z1lrlm40000gn/T/ipykernel_81835/148978670.py:4: PerformanceWarning: DataFrame is highly fragmented.  This is usually the result of calling `frame.insert` many times, which has poor performance.  Consider joining all columns at once using pd.concat(axis=1) instead.  To get a de-fragmented frame, use `newframe = frame.copy()`
  grades[year][sb] = 0


# Read standard grades
standard_grades = {}
for year in range(2018, 2022):
  standard_grades[year] = pd.read_csv(f'{data_path}/standard_grades_{year}.csv')
  standard_grades[year]['Main Subject'] = standard_grades[year]['Main Subject'].fillna("")
display(standard_grades[2021])


yearS, yearT = 2020, 2021
# Get real grades of target year
data = standard_grades[yearT]
real_grades = {}
for x, y in data.iterrows():
  z = list(y.values)
  real_grades[z[0]] = z[3]
print(real_grades)

# Add real grades columns to source year table
data = standard_grades[yearS]
new_col = []
for x, y in data.iterrows():
  z = list(y)
  if z[0] in real_grades:
    new_col.append(real_grades[z[0]])
  else:
    new_col.append(float("NaN"))
standard_grades[yearS][f'Real Grades {yearT}'] = new_col
display(standard_grades[yearS].transpose())

{'BF1': 25.34, 'BF2': 25.94, 'CH1': 25.2, 'CH2': 24.96, 'CH3': 24.45, 'ED2': 24.8, 'EE1': 26.5, 'EE2': 27.46, 'EM1': 25.65, 'EM2': 25.75, 'EM3': 26.04, 'EM4': 25.76, 'EM5': 25.83, 'ET1': 26.8, 'EV1': 24.01, 'EV2': 23.53, 'FL1': 26.39, 'FL2': 26.11, 'HE1': 24.5, 'IT1': 28.43, 'IT2': 28.1, 'ME1': 26.91, 'ME2': 25.78, 'MI1': 27.0, 'MI2': 27.0, 'MS1': 24.65, 'PH1': 25.64, 'PH2': 24.48, 'PH3': 25.36, 'TE1': 26.94, 'TE2': 25.7, 'TE3': 26.48, 'TX1': 23.99, 'BF-E12': 24.44, 'CH-E11': 26.4, 'EE-E18': 25.71, 'EE-E8': 27.26, 'EE-EP': 26.14, 'EM-E13': 25.55, 'EM-E14': 26.33, 'ET-E4': 26.59, 'ET-E5': 25.88, 'ET-E9': 26.93, 'ET-E16': 26.59, 'IT-E6': 27.4, 'IT-E7': 27.85, 'IT-E10': 28.04, 'IT-E15': 27.44, 'IT-EP': 27.19, 'ME-E1': 26.3, 'MS-E3': 23.99, 'TE-E2': 26.11, 'TE-EP': 24.76, 'ET-LUH': 25.13, 'ME-GU': 23.88, 'ME-LUH': 25.16, 'ME-NUT': 24.88, 'TROY-BA': 23.25, 'TROY-IT': 25.5}


# Return maximum grade of lowest p% candidates in given subjects combination list
def get_point(percentage, year, subjects_combination):
  data = grades[year][subjects_combination].max(1)
  data = [round(x,2) for x in data if not np.isnan(x)]
  data = sorted(data)
  if len(data) == 0: # Return 0 if not valid any candidates
    return 0
  return data[min(len(data)-1, floor(len(data)*percentage/100))]


# Return percentage range of given point
eps = 0.3 # (point-eps -> point+eps)
def get_percentage(point, year, subjects_combination):
  subjects_combination = [x for x in subjects_combination if x in list(grades[year].head())]
  data = grades[year][subjects_combination].max(1)
  data = [round(x,2) for x in data if not np.isnan(x)]
  data = sorted(data)
  if len(data) == 0: # Return (0, 0) if not valid any candidates
    return 0, 0
  return bisect_left(data, point-eps)/len(data)*100, bisect_right(data, point+eps)/len(data)*100


# Exchange point between source year and target year in given subjects combination list
def exchange(point, yearS, yearT, subjects_combination):
  subjects_combination = [x for x in subjects_combination if x in list(grades[year].head())]
  percentage = get_percentage(point, yearS, subjects_combination)
  return get_point(percentage[0], yearT, subjects_combination), get_point(percentage[1], yearT, subjects_combination)


exchange(20, 2018, 2021, ['A00'])

(24.4, 24.8)


# Return list of converted grades from source year to target year
def convert_grades(yearS, yearT):
  new_col_1 = []
  new_col_2 = []
  for x, y in standard_grades[yearS].iterrows():
    z = list(y.values)
    t = z[2].replace(',', '').split()
    if z[4]:
      t = [u + '-' + z[4] for u in t]
    t = exchange(z[3], yearS, yearT, t)
    print(f"[{x+1}\\{len(standard_grades[yearS])}]\t{z[0]}\t{yearS}\t{z[3]}\t{yearT}\t{z[-1]}\t{t}")
    new_col_1.append(t[0])
    new_col_2.append(t[1])
  return new_col_1, new_col_2

results = convert_grades(yearS, yearT)
standard_grades[yearS][f'Predicted Grades Lower {yearT}'] = results[0]
standard_grades[yearS][f'Predicted Grades Upper {yearT}'] = results[1]

[1\57]	BF1	2020	26.2	2021	25.34	(25.61, 26.14)
[2\57]	BF2	2020	26.6	2021	25.94	(25.99, 26.55)
[3\57]	BF-E12	2020	25.94	2021	24.44	(25.35, 25.91)
[4\57]	CH1	2020	25.26	2021	25.2	(24.9, 25.46)
[5\57]	CH2	2020	24.16	2021	24.96	(23.89, 24.45)
[6\57]	CH3	2020	24.51	2021	24.45	(24.19, 24.75)
[7\57]	CH-E11	2020	26.5	2021	26.4	(26.06, 26.62)
[8\57]	ED2	2020	23.8	2021	24.8	(24.25, 24.75)
[9\57]	ΕΕ1	2020	27.01	2021	nan	(26.48, 27.08)
[10\57]	EE2	2020	28.16	2021	27.46	(27.56, 28.16)
[11\57]	EE-E8	2020	27.43	2021	27.26	(26.89, 27.49)
[12\57]	EE-EP	2020	25.68	2021	26.14	(25.2, 25.76)
[13\57]	EM1	2020	24.65	2021	25.65	(24.95, 25.45)
[14\57]	EM2	2020	25.05	2021	25.75	(25.25, 25.8)
[15\57]	EM3	2020	25.75	2021	26.04	(25.85, 26.4)
[16\57]	EM4	2020	25.3	2021	25.76	(25.45, 26.0)
[17\57]	EM5	2020	24.6	2021	25.83	(24.9, 25.45)
[18\57]	EM-E13	2020	25.03	2021	25.55	(24.6, 25.16)
[19\57]	EM-E14	2020	25.85	2021	26.33	(25.95, 26.45)
[20\57]	EM-VUW	2020	22.7	2021	nan	(23.35, 23.85)
[21\57]	ET1	2020	27.3	2021	26.8	(26.74, 27.38)
[22\57]	ET-E4	2020	27.15	2021	26.59	(26.62, 27.22)
[23\57]	ET-E5	2020	26.5	2021	25.88	(25.99, 26.55)
[24\57]	ET-E9	2020	27.51	2021	26.93	(26.96, 27.56)
[25\57]	ET-LUH	2020	23.85	2021	25.13	(23.6, 24.25)
[26\57]	EV1	2020	23.85	2021	24.01	(23.55, 24.15)
[27\57]	FL1	2020	24.1	2021	26.39	(25.72, 26.1)
[28\57]	FL2	2020	24.1	2021	26.11	(25.72, 26.1)
[29\57]	HE1	2020	25.8	2021	24.5	(25.31, 25.91)
[30\57]	IT1	2020	29.04	2021	28.43	(28.46, 29.14)
[31\57]	IT2	2020	28.65	2021	28.1	(28.01, 28.69)
[32\57]	IT-E10	2020	28.65	2021	28.04	(28.01, 28.69)
[33\57]	IT-E6	2020	27.98	2021	27.4	(27.41, 28.01)
[34\57]	IT-E7	2020	28.38	2021	27.85	(27.79, 28.39)
[35\57]	IT-EP	2020	27.24	2021	27.19	(26.74, 27.3)
[36\57]	IT-LTU	2020	26.5	2021	nan	(26.15, 26.75)
[37\57]	IT-VUW	2020	25.55	2021	nan	(25.25, 25.85)
[38\57]	ME1	2020	27.48	2021	26.91	(26.92, 27.49)
[39\57]	ME2	2020	26.51	2021	25.78	(25.99, 26.62)
[40\57]	ME-E1	2020	26.75	2021	26.3	(26.25, 26.81)
[41\57]	ME-GU	2020	23.9	2021	23.88	(23.65, 24.3)
[42\57]	ME-LUH	2020	24.2	2021	25.16	(23.95, 24.6)
[43\57]	ME-NUT	2020	24.5	2021	24.88	(24.25, 24.9)
[44\57]	MI1	2020	27.56	2021	27.0	(27.0, 27.6)
[45\57]	MI2	2020	27.25	2021	27.0	(26.74, 27.3)
[46\57]	MS1	2020	25.18	2021	24.65	(24.86, 25.42)
[47\57]	MS-E3	2020	23.18	2021	23.99	(22.95, 23.55)
[48\57]	PH1	2020	26.18	2021	25.64	(25.65, 26.29)
[49\57]	PH2	2020	24.7	2021	24.48	(24.26, 24.83)
[50\57]	TE1	2020	27.33	2021	26.94	(26.78, 27.38)
[51\57]	TE2	2020	26.46	2021	25.7	(25.95, 26.55)
[52\57]	TE3	2020	26.94	2021	26.48	(26.44, 27.0)
[53\57]	TE-E2	2020	26.75	2021	26.11	(26.25, 26.81)
[54\57]	TE-EP	2020	23.88	2021	24.76	(23.48, 24.07)
[55\57]	TROY-BA	2020	22.5	2021	23.25	(23.15, 23.7)
[56\57]	TROY-IT	2020	25.0	2021	25.5	(25.2, 25.75)
[57\57]	TX1	2020	23.04	2021	23.99	(22.84, 23.44)


# Display prediction
standard_grades[yearS] = standard_grades[yearS].sort_values(['Standard Grade'])
features = [f'Real Grades {yearT}', f'Predicted Grades Lower {yearT}', f'Predicted Grades Upper {yearT}']
data = standard_grades[yearS][['Major ID'] + features].copy()
data = data.dropna()
data = data[data[f'Predicted Grades Lower {yearT}']>=0]
# data = data.sort_values([f'Predicted Grades Lower {yearT}'])
data = data.set_index('Major ID')
rows = []
for x, y in data.iterrows():
  for feature in features:
    rows.append([x, feature, y[feature]])
data = pd.DataFrame(rows, columns = ["Major ID", "Type", "Grade"])
display(data.transpose())
import plotly.express as px
fig = px.line(data, x='Major ID', y='Grade', color='Type', title="Hanoi University of Science & Technology (HUST) - Standard Passing Grades".upper())
fig.show()


# Display prediction
standard_grades[yearS] = standard_grades[yearS].sort_values([f'Predicted Grades Lower {yearT}'])
features = [f'Real Grades {yearT}', f'Predicted Grades Lower {yearT}', f'Predicted Grades Upper {yearT}']
data = standard_grades[yearS][['Major ID'] + features].copy()
data = data.dropna()
data = data[data[f'Predicted Grades Lower {yearT}']>=0]
# data = data.sort_values([f'Predicted Grades Lower {yearT}'])
data = data.set_index('Major ID')
rows = []
for x, y in data.iterrows():
  for feature in features:
    rows.append([x, feature, y[feature]])
data = pd.DataFrame(rows, columns = ["Major ID", "Type", "Grade"])
display(data.transpose())
data.to_csv(f'exchange-grade-{yearS}-{yearT}.csv')  
import plotly.express as px
fig = px.line(data, x='Major ID', y='Grade', color='Type', title="Hanoi University of Science & Technology (HUST) - Standard Passing Grades".upper())
fig.show()


# Display prediction
standard_grades[yearS] = standard_grades[yearS].sort_values([f'Real Grades {yearT}'])
features = [f'Real Grades {yearT}', f'Predicted Grades Lower {yearT}', f'Predicted Grades Upper {yearT}']
data = standard_grades[yearS][['Major ID'] + features].copy()
data = data.dropna()
data = data[data[f'Predicted Grades Lower {yearT}']>=0]
# data = data.sort_values([f'Predicted Grades Lower {yearT}'])
data = data.set_index('Major ID')
rows = []
for x, y in data.iterrows():
  for feature in features:
    rows.append([x, feature, y[feature]])
data = pd.DataFrame(rows, columns = ["Major ID", "Type", "Grade"])
display(data.transpose())  
import plotly.express as px
fig = px.line(data, x='Major ID', y='Grade', color='Type', title="Hanoi University of Science & Technology (HUST) - Standard Passing Grades".upper())
fig.show()

	ID	CityCode	CityArea	Math	Literature	English	Physics	Chemistry	Biology	Geography	History	Civic Education
0	1000001	1	1.0	2.2	3.50	NaN	NaN	NaN	NaN	5.50	2.50	NaN
1	1000002	1	1.0	9.2	8.25	10.0	NaN	NaN	NaN	9.75	5.75	9.25
2	1000003	1	1.0	4.4	6.25	NaN	NaN	NaN	NaN	4.00	4.25	NaN
3	1000004	1	1.0	8.4	6.75	10.0	4.00	3.00	3.50	NaN	NaN	NaN
4	1000005	1	1.0	8.8	8.25	9.4	8.25	5.75	5.25	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...
1002265	64006834	64	6.0	8.6	8.25	6.2	8.25	7.00	6.50	NaN	NaN	NaN
1002266	64006835	64	6.0	9.0	7.50	9.4	8.00	8.25	5.50	NaN	NaN	NaN
1002267	64006836	64	6.0	4.8	7.00	4.6	NaN	NaN	NaN	7.00	3.75	9.00
1002268	64006837	64	6.0	7.4	7.75	9.4	NaN	NaN	NaN	6.75	4.50	9.25
1002269	64006838	64	6.0	8.0	7.75	8.2	NaN	NaN	NaN	6.50	4.25	7.50

	Major ID	Major	Subjects Combination	Standard Grade	Main Subject
0	BF1	Kỹ thuật Sinh học	A00, B00	25.34	Math
1	BF2	Kỹ thuật Thực phẩm	A00, B00	25.94	Math
2	CH1	Kỹ thuật Hóa học	A00, B00, D07	25.20	Math
3	CH2	Hóa học	A00, B00, D07	24.96	Math
4	CH3	Kỹ thuật In	A00, B00, D07	24.45	Math
5	ED2	Công nghệ Giáo dục	A00, A01, D01	24.80
6	EE1	Kỹ thuật Điện	A00, A01	26.50
7	EE2	Kỹ thuật Điều khiển và Tự động hóa	A00, A01	27.46	Math
8	EM1	Kinh tế Công nghiệp	A00, A01, D01	25.65
9	EM2	Quản lý Công nghiệp	A00, A01, D01	25.75
10	EM3	Quản trị Kinh doanh	A00, A01, D01	26.04
11	EM4	Kế toán	A00, A01, D01	25.76
12	EM5	Tài chính Ngân hàng	A00, A01, D01	25.83
13	ET1	Kỹ thuật Điện tử Viễn thông	A00, A01	26.80	Math
14	EV1	Kỹ thuật Môi trường	A00, B00, D07	24.01	Math
15	EV2	Quản lý Tài nguyên và Môi trường*	A00, B00, D07	23.53
16	FL1	Tiếng Anh KHKT và Công nghệ	D01	26.39	English
17	FL2	Tiếng Anh chuyên nghiệp quốc tế	D01	26.11	English
18	HE1	Kỹ thuật Nhiệt	A00, A01	24.50	Math
19	IT1	Khoa học Máy tính	A00, A01	28.43	Math
20	IT2	Kỹ thuật Máy tính	A00, A01	28.10	Math
21	ME1	Kỹ thuật Cơ điện tử	A00, A01	26.91	Math
22	ME2	Kỹ thuật Cơ khí	A00, A01	25.78	Math
23	MI1	Toán Tin	A00, A01	27.00	Math
24	MI2	Hệ thống thông tin quản lý	A00, A01	27.00	Math
25	MS1	Kỹ thuật Vật liệu	A00, A01, D07	24.65	Math
26	PH1	Vật lý Kỹ thuật	A00, A01, A02	25.64	Math
27	PH2	Kỹ thuật Hạt nhân	A00, A01, A02	24.48	Math
28	PH3	Vật lý Y khoa*	A00, A01, A02	25.36
29	TE1	Kỹ thuật Ô tô	A00, A01	26.94	Math
30	TE2	Kỹ thuật Cơ khí động lực	A00, A01	25.70	Math
31	TE3	Kỹ thuật Hàng không	A00, A01	26.48	Math
32	TX1	Kỹ thuật Dệt May	A00, A01	23.99	Math
33	BF-E12	Kỹ thuật Thực phẩm (Chương trình tiên tiến)	A00, B00	24.44	Math
34	CH-E11	Kỹ thuật Hóa dược (Chương trình tiên tiến)	A00, B00, D07	26.40	Math
35	EE-E18	Hệ thống điện và năng lượng tái tạo (Chương tr...	A00, A01	25.71
36	EE-E8	Kỹ thuật điều khiển Tự động hóa (Chương trình ...	A00, A01	27.26	Math
37	EE-EP	Tin học công nghiệp và Tự động hóa (Chương trì...	A00, A01, D29	26.14	Math
38	EM-E13	Phân tích Kinh doanh (Chương trình tiên tiến)	D07, A01, D01	25.55	Math
39	EM-E14	Logistics và Quản lý chuỗi cung ứng (Chương tr...	D07, A01, D01	26.33
40	ET-E4	Kỹ thuật Điện tử Viễn thông (Chương trình tiên...	A00, A01	26.59	Math
41	ET-E5	Kỹ thuật Y sinh (Chương trình tiên tiến)	A00, A01	25.88	Math
42	ET-E9	Hệ thống nhúng thông minh và IoT (Chương trình...	A00, A01, D28	26.93	Math
43	ET-E16	Truyền thông số và Kỹ thuật đa phương tiện (Ch...	A00, A01	26.59
44	IT-E6	Công nghệ Thông tin Việt-Nhật (Chương trình ti...	A00, A01, D28	27.40	Math
45	IT-E7	Công nghệ Thông tin Global ICT (Chương trình t...	A00, A01	27.85	Math
46	IT-E10	Khoa học Dữ liệu và Trí tuệ nhân tạo (Chương t...	A00, A01	28.04	Math
47	IT-E15	An toàn không gian số* (Chương trình tiên tiến)	A00, A01	27.44
48	IT-EP	Công nghệ Thông tin Việt-Pháp (Chương trình ti...	A00, A01, D29	27.19	Math
49	ME-E1	Kỹ thuật Cơ điện tử (Chương trình tiên tiến)	A00, A01	26.30	Math
50	MS-E3	KHKT Vật liệu (Chương trình tiên tiến)	A00, A01	23.99	Math
51	TE-E2	Kỹ thuật Ô tô (Chương trình tiên tiến)	A00, A01	26.11	Math
52	TE-EP	Cơ khí Hàng không Việt-Pháp (Chương trình tiên...	A00, A01, D29	24.76	Math
53	ET-LUH	Điện tử Viễn thông-Leibniz Hannover (Đức)	A00, A01, D26	25.13
54	ME-GU	Cơ khí Chế tạo máy-Griffith (Úc)	A00, A01	23.88
55	ME-LUH	Cơ điện tử-Leibniz Hannover (Đức)	A00, A01, D26	25.16
56	ME-NUT	Cơ điện tử-Nagaoka (Nhật Bản)	A00, A01, D28	24.88
57	TROY-BA	Quản trị Kinh doanh-Troy (Hoa Kỳ)	A00, A01, D01	23.25
58	TROY-IT	Khoa học Máy tính-Troy (Hoa Kỳ)	A00, A01, D01	25.50

	0	1	2	3	4	5	6	7	8	9	...	47	48	49	50	51	52	53	54	55	56
Major ID	BF1	BF2	BF-E12	CH1	CH2	CH3	CH-E11	ED2	ΕΕ1	EE2	...	PH1	PH2	TE1	TE2	TE3	TE-E2	TE-EP	TROY-BA	TROY-IT	TX1
Major	Kỹ thuật Sinh học	Kỹ thuật Thực phẩm	Kỹ thuật Thực phẩm (CT tiên tiến)	Kỹ thuật Hoá học	Hoá học	Kỹ thuật in	Kỹ thuật Hóa dược (CT tiên tiến)	Công nghệ giáo dục	Kỹ thuật Điện	Kỹ thuật Điều khiển - Tự động hoá	...	Vật lý kỹ thuật	Kỹ thuật hạt nhân	Kỹ thuật Ô tô	Kỹ thuật Cơ khí động lực	Kỹ thuật Hàng không	Kỹ thuật Ô tô (CT tiên tiến)	Cơ khí hàng không (Chương trình Việt - Pháp PF...	Quản trị kinh doanh - hợp tác với ĐH Troy (Hoa...	Khoa học máy tính - hợp tác với ĐH Troy (Hoa Ký)	Kỹ thuật Dệt - May
Subjects Combination	A00, B00, D07	A00, B00, D07	A00, B00, D07	A00, A01, B00, D07	A00, A01, B00, D07	A00, A01, B00, D07	A00, A01, B00, D07	A00, A01, D01	A00, A01	A00, A01	...	A00, A01	A00, A01, A02	A00, A01	A00, A01	A00, A01	A00, A01	A00, A01, D29	A00, A01, D01	A00, A01, D01	A00, A01, D07
Standard Grade	26.2	26.6	25.94	25.26	24.16	24.51	26.5	23.8	27.01	28.16	...	26.18	24.7	27.33	26.46	26.94	26.75	23.88	22.5	25.0	23.04
Main Subject	Math	Math	Math	Math	Math	Math	Math		Math	Math	...	Math	Math	Math	Math	Math	Math	Math			Math
Real Grades 2021	25.34	25.94	24.44	25.2	24.96	24.45	26.4	24.8	NaN	27.46	...	25.64	24.48	26.94	25.7	26.48	26.11	24.76	23.25	25.5	23.99